當一個機器人試圖旋轉門把手，或者在失去平衡時做出人類那種反射性的踉蹌動作，這背後不只是視覺識別的問題，而是所謂的全身智力。Google 最近把 Gemini 塞進了機器人的軀殼裡，宣稱它能處理更複雜的本體感受。技術圈的反應很有趣，有人感嘆水管工的飯碗不保，但更多資深開發者在追問一個核心：那些在實驗室裡平滑無比的動作，到了現實世界那些充滿灰塵、光線混亂、地毯邊緣捲起的環境裡，還能剩下幾分優雅？這不是單純的指令集更新，而是大規模多模態模型（LMM）試圖接管物理實體的野心。
Gemini Robotics 2 這次強調的重點在於「安全工具調用」與「近距離感知」。在技術實現上，這意味著模型不再只是輸出一段文字或代碼，而是直接將視覺序列轉化為扭矩控制或關節路徑。以往我們看 Gemini 處理長文本，驚訝於它對百萬級 token 的檢索能力，但現在挑戰變了，它得在幾毫秒內決定機器手臂是否應該停下。當人類靠近時，觸發 safety tool calls 並讓機器人平穩停止，這聽起來很保險，卻也暴露出一個尷尬的技術瓶頸。如果機器人一感知到人類靠近就「嚇得」原地立定，那它該如何處理精細的協作任務？比如扶老人起身，或是從護士手中接過托盤？這種邏輯在純數位世界是安全的，在物理世界卻可能顯得笨拙。
在四大平台中，Google 走了一條與 OpenAI 截然不同的路。ChatGPT 雖然在推理能力上持續領先，但在機器人具身智能（Embodied AI）的整合上，目前似乎更傾向於提供大腦層面的邏輯決策，而不是直接下場控管每一個伺服馬達。Gemini 的優勢在於它的原生多模態底層，它試圖讓視覺、聲音與觸覺反饋在同一個神經網絡裡交織。我們觀察到，在處理複雜的動作序列時，Gemini 的推理深度足以讓它理解「為什麼」要轉動門把，而不僅僅是模仿動作。但這種全身智力的代價是驚人的算力開銷。當你需要實時處理高幀率的視覺流，並將其轉化為精確的物理反饋時，延遲就是唯一的敵人。
相較於 DeepSeek-V4-Flash 在輕量化推理與響應速度上的嘗試，Google 的做法顯然更沈重且昂貴。Gemini 必須證明它的「全身智力」不是在雲端跑完邏輯後再傳回終端的延遲產物。與此同時，Claude 在這方面的表現則顯得更為克制，Anthropic 似乎更專注於確保模型生成的指令是符合憲法 AI 原則的，這讓 Claude 在複雜機器人任務的邏輯鏈條上非常穩健，卻少了一點 Gemini 那種直接「接管軀體」的侵略性。至於 Grok，馬斯克家門口的 Optimus 雖然聲勢浩大，但其背後的邏輯層與感知層的解耦程度依然是個謎。
目前的技術現狀是，我們依然缺乏一個標準的「機器人操作系統大腦」。Gemini Robotics 2 試圖定義這個標準，但技術細節裡隱藏著許多未說出口的妥協。例如，它對環境的建模精度究竟達到了什麼程度？在處理非結構化環境中的突發狀況時，它是依靠預設的硬編碼安全機制，還是真的產生了某種物理直覺？當我們討論全身智力時，我們談論的是模型對物理定律的理解，還是僅僅是對海量人類動作錄像的統計擬合？
如果機器人因為人類的靠近而停止，這是否意味著具身智能在目前的架構下，依然無法處理「親密」的物理互動？當 Qwen 在特定任務中展現出某種靈活性時，Google 卻選擇在 Gemini 上疊加更厚重的安全協議，這究竟是技術上的嚴謹，還是對模型行為不確定性的某種恐懼？我們是否真的準備好，讓一個在數位世界裡偶爾會產生幻覺的模型，去掌握幾百公斤鋼鐵的動能？當機器人下一次在樓梯口踉蹌時，它會像人類一樣找回平衡，還是會因為計算資源瞬間過載而陷入逻辑死循環？這些問題，恐怕不是幾篇技術文件就能給出答案的。